Le filtrage collaboratif (CF) est un sujet de recherche largement étudié dans les systèmes de recommandation. L’apprentissage d’un modèle CF repose généralement sur trois composants majeurs : l’encodeur d’interactions, la fonction de perte et l’échantillonnage négatif. Bien que de nombreuses études existantes se concentrent sur la conception d’encodeurs d’interactions plus puissants, les impacts des fonctions de perte et des ratios d’échantillonnage négatif n’ont pas encore été suffisamment explorés. Dans ce travail, nous démontrons que le choix de la fonction de perte ainsi que le ratio d’échantillonnage négatif est tout aussi crucial. Plus précisément, nous proposons une nouvelle fonction de perte basée sur la contraste cosinus, appelée CCL (cosine contrastive loss), et l’intégrons à un modèle CF unifié simple, baptisé SimpleX. Des expériences étendues ont été menées sur 11 jeux de données standard et comparées à un total de 29 modèles CF existants. De manière surprenante, les résultats montrent que, sous notre fonction de perte CCL et un ratio d’échantillonnage négatif élevé, SimpleX surpasse largement la plupart des modèles d’état de l’art les plus sophistiqués (par exemple, une amélioration maximale de 48,5 % en NDCG@20 par rapport à LightGCN). Nous pensons que SimpleX pourrait non seulement servir de base simple mais puissante pour stimuler la recherche future sur le filtrage collaboratif, mais aussi éclairer de nouvelles directions potentielles en matière d’amélioration des fonctions de perte et des stratégies d’échantillonnage négatif. Le code source sera disponible à l’adresse suivante : https://reczoo.github.io/SimpleX.